为您找到195个相关课程
展开简介
收益目标：通过本课程的学习，您将对大数据测试有个整体的认识，摆脱闻“大”而恐的情况。将有能力规划自己公司的大数据测试，对于可能遇到的风险和依赖有充足的预判和分析。能够建立大数据测试相关配套服务，例如数据生成，状态监控以及自动化测试等。
适应人群：各级别软件测试工程师，全栈工程师，软件测试经理
关键词：互联网，大数据，软件测试，工程师
收益目标：1、获知互联网企业大数据体系建设的完整形态，和技术选型标准，加深对企业数据化变革的认知 2、了解数据中台工具的功能架构，数据中台赋能的思路方法论及其技术架构 3、用户行为分析平台的埋点上报，传输，管理，验证，基础数仓建设的功能技术架构 4、掌握爆炸式数据增长下的数据管理，治理体系，了解科学的数据建设管理方法论，在实际生产中有序落地，避免数据重复建设，避免数据安全隐患 5、在数据生产建设过程中，通过事前生产规范管理，事中值班响应，事后巡检监控，全方位保障数据质量 6、掌握ABTest实验的原理，重叠实验框架的架构以及实验决策的方法论案例，学会如何科学的使用AB测试做数据驱动决策
适应人群：适用于大数据应用开发，大数据基础架构开发，数据产品，数据仓库的软件架构师、软件设计师、程序员、数据产品 要求：至少要有1-2年工作经验，学习过Hadoop，Hive以及Java语言
关键词：其他，大数据，数据架构，数据分析，变革，组织
收益目标：1、了解数据建模的标准过程 2、明白时序预测的基本思想，熟悉常用的时序预测模型 3、掌握常用的分类预测模型，理解模型基本原理 4、学会解读分类预测模型的含义 5、理解并掌握定性预测模型的质量评估指标 6、了解分类预测模型的集成优化思想
适应人群：产品销量部、业务支撑部、运营分析部、数据分析部、大数据系统开发部等对业务数据分析有较高要求的相关人员。
关键词：互联网，数据建模
收益目标：本课程将围绕大数据最本质的特点—智能化为主线，从大数据的产品思维、数据分析重要工具、数据挖掘核心技术等层面，从浏览型互联网应用、社交网络型互联网应用等多角度多领域做实站案例讲解。 该课程使学员：理解大数据基本概率、理解大数据产品设计思维、理解大数据基础技术架构 掌握社交图谱挖掘的一到两个经典数据挖掘案例的解决方案 掌握社交好友推荐中一到两个经典案例的解决方案 掌握如何搭建一个实用的推荐引擎的方法； 掌握数据挖掘的经典方法论：数据挖掘过程、模型评估标准等 侧重掌握最普遍使用的分类预测技术的方法，轻松理解分类预测技术的重难点主题及一些新技术：模型优化的原理、Overfitting和Un
适应人群：数据挖掘工程师、数据分析师、大数据工程师、算法专家、项目经理、技术经理、数据产品经理以及其他具有一定数据挖掘经验的人员。
关键词：互联网，电商，互联网金融，安全，快消品，其他，大数据，数据挖掘
收益目标：暂无
适应人群：企业运营管理、产品运营、产品营销、客户服务、数据挖掘、数据分析和数据技术等方 面相关负责人。
关键词：互联网
收益目标：通过介绍大数据的核心计算和存储组件，以及整个完整的大数据平台架构，结合具体的数据分析和机器学习案例分析，让大家了解和掌握大数据平台、数据分析和机器学习相关知识、最新的发展趋势，以及如何应用到实际项目实践中。
适应人群：暂无
关键词：互联网，大数据，机器学习，数据分析
收益目标：了解大数据中MapReduce的核心原理 掌握MapReduce核心编程 了解Spark性能优化 掌握Spark中的离线计算和实时计算 掌握Spark SQL的使用 掌握HBase的高级特性
适应人群：1. 有一定编程基础,想学习和了解大数据的学员 2. 计算机相关专业,未来向大数据领域方向发展的学员
关键词：互联网，大数据，SQL，Spark，大数据平台
收益目标：1.深刻理解在“互联网+”时代下大数据的产生背景、发展历程和演化趋势； 2.了解业界市场需求和国内外最新的大数据技术潮流，洞察大数据的潜在价值； 3.理解大数据项目解决方案及业界大数据应用案例，从而为企业在大数据项目中的技术选型及技术架构设计提供决策参考； 4.掌握业界最流行的Hadoop与Spark大数据技术体系； 5.掌握大数据采集技术； 6.掌握大数据分布式存储技术； 7.掌握NoSQL与NewSQL分布式数据库技术； 8.掌握大数据仓库与统计机器学习技术； 9.掌握大数据分析挖掘与商业智能（BI）技术； 10.掌握大数据离线处理技术； 11.掌握Storm流式大数据
适应人群：1．小型企业的技术负责人； 2. 大中型企业的数据部门相关人员、或是对数据感兴趣的其他部门的研发总监、部门经理、一线研发工程师等人员均可；
关键词：互联网，大数据
收益目标：1、为银行的业务人员开拓业务洞察视野和提供标准化的建模路线图。 2、为算法工程师提供算法与业务的结合点。 3、为数据工程师提供系统架构设计思路。 4、为有志于从事金融大数据的人员提供定位指导和学习路线图。
适应人群：银行的业务人员 算法工程师、数据科学家 市场、渠道高级经理及以上级别
关键词：互联网，大数据，机器学习，数据挖掘
关键词：其他，大数据
收益目标：通过该课程学习，洞悉Hadoop，NoSQL与Spark等技术的原理、架构与技术手段；结合丰富实例掌握其设计与开发方法，以及掌握如软件架构、性能调优等使用过程中的实用技巧；深入了解Hadoop，NoSQL，Spark体系中各成员，理解Hadoop，NoSQL，Spark成员各自的优、缺点与正确适用场景，了解技术最新发展动向，能对Hadoop，NoSQL与Spark体系在学员企业、学员项目、学员研发中是否可用、如何定位以及如何使用做出正确判断与学习，并且对如何结合大数据技术规划企业数据架构得到相当的启发与收获。
适应人群：企业中高层技术管理人员、企业技术战略决策者、软件架构师、软件研发人员与大数据技术爱好者，有大数据及海量数据管理与处理需求的企业优先。
关键词：传统金融，互联网金融
收益目标：1. 理解数据科学在大数据领域的作用价值 2, 理解数据科学与传统BI的区别 3. 理解数据科学、人工智能如何解决企业客户的需求 4．理解机器学习构建的基本流程方法
关键词：电信，大数据，数据挖掘，BI
To Be Better
注册或 找回密码?